用于示范深度学习的可变形物体穿刺针数据集
机器人学
2020-12-07 v1 机器学习
摘要
许多机器人任务仍由遥操作完成，因为其自动化非常耗时且昂贵。机器人示范学习（RLfD）可减少编程时间与成本。然而，传统的 RLfD 方法不能直接应用于许多机器人任务，例如使用微创机器人的机器人缝合，因为它们需要耗时的从视觉信息设计特征的过程。深度神经网络（DNN）已成为有用的工具，用于建立捕捉高维观测空间与底层动作/状态空间之间关系的复杂模型。尽管如此，这类方法需要适用于训练适当 DNN 模型的数据集。本文提出了一个使用 da Vinci Research Kit 的双臂在软组织中插入/穿刺针的数据集。该数据集包括：（1）由 6 台高分辨率标定相机记录的 60 次以随机期望出口点成功进行的针插入试验；（2）相应的机器人数据、标定参数；（3）指令化的机器人控制输入，所有收集的数据均已同步。该数据集为深度 RLfD 方法而设计。我们还实现了若干深度 RLfD 架构，包括简单的前馈 CNN 和不同的循环卷积网络（RCN）。我们的研究表明，尽管基线前馈 CNN 已成功学习视觉信息与机器人下一步控制动作之间的关系，RCN 仍提升了模型的预测精度。该数据集以及我们的 RLfD 基线实现已在 https://github.com/imanlab/d-lfd 公开供基准测试。
引用
@article{arxiv.2012.02458,
title = {A data-set of piercing needle through deformable objects for Deep Learning from Demonstrations},
author = {Hamidreza Hashempour and Kiyanoush Nazari and Fangxun Zhong and Amir Ghalamzan E.},
journal= {arXiv preprint arXiv:2012.02458},
year = {2020}
}
备注
https://github.com/imanlab/d-lfd